Nous avons déjà parlé de l’application du machine learning dans les systèmes de recommandation dans l’un de nos précédents| articles. Nous souhaitons à présent nous concentrer sur les problèmes que les systèmes de recommandation doivent surmonter dans les applications mobiles, les plateformes de e-commerce, les moteurs de recherche et autres environnements confrontés au problème du cold start.
Le nombre de personnes qui exploitent des recommandations alimentées par le machine learning ne cesse de croître. La commodité est indéniable, car ces systèmes semblent tout savoir sur les hobbies et les passions des gens et restent à jour avec les tendances modernes grâce au machine learning intégré.
Le Deep-learning est essentiel pour le succès des recommandations
Le Deep-learning est uniquement utilisé dans le meilleurs systèmes de recommandation. Le modèle prédictif dans de tels systèmes apprend et s'adapte en permanence aux utilisateurs de la plateforme et aux produits qu'elle vend. Il permet à la technologie d'optimiser et de personnaliser automatiquement le contenu pour chaque utilisateur.
Un moteur de recommandation qui apprend directement des entreprises ainsi que des clients sur un site web, une application et des points de contact email, aboutit à un « algorithme personnalisé » qui devient constamment plus intelligent sur ce qui compte le plus pour chaque client.
Cependant, lorsqu'un utilisateur apparaît pour la première fois sur l'une de ces plateformes ou a besoin d'effectuer une nouvelle recherche, le problème de cold-start surgit et le succès dépend fortement de la capacité de la plateforme à s'adapter rapidement à un nouvel utilisateur ou à une nouvelle requête afin de fournir le meilleur service personnalisé.
Vous voulez savoir ce qui compte le plus pour vos clients ? Contact et nous vous aiderons.
Démarrage à froid du produit vs. Démarrage à froid du visiteur
Le terme “cold start” provient des voitures. Lorsque le moteur est froid, la voiture ne fonctionne pas encore aussi bien, mais une fois la température optimale atteinte, elle fonctionne parfaitement. Pour un moteur de recommandation, cela signifie simplement que les conditions ne sont pas encore optimales pour qu'il fonctionne de manière fluide et fournisse les meilleurs résultats. Il existe deux grandes catégories de cold start (cold start produit et cold start visiteur) et un nombre de façons d'aider les systèmes de recommandation à faire face à ces problèmes.
Le problème du démarrage à froid dans les systèmes de recommandation peut être pertinent à la fois pour les nouveaux utilisateurs d'un service et pour un nouveau produit, qui n'a pas encore de critiques ou d'historique de succès auprès d'un certain groupe d'utilisateurs. Et dans le cas où il n'y a pas assez d'actions des utilisateurs pour un élément particulier, le moteur ne saura pas quand l'afficher. Filtrage basé sur le contenu répond avec succès à ce défi. Le système utilise d'abord les métadonnées des nouveaux produits lors de la création des recommandations, tandis que les actions du visiteur passent en second plan pendant une certaine période.
Il est aussi possible de distinguer les utilisateurs qui ne font que naviguer de ceux déterminés à trouver ce qu'ils cherchent. Par exemple, si quelqu'un clique sur tout, des voitures aux pots de fleurs, en très peu de temps, le moteur saura qu'il ne doit pas utiliser l'historique de clics de cet utilisateur pour recommander à d'autres.
En cas de visitor cold start, la majorité des systèmes utilise une stratégie basée sur la popularité. Les produits les plus populaires sont identifiés selon les tendances globales, régionales et locales, ou à certaines heures de la journée. De plus, les moteurs utilisent les informations suivantes : la geolocation, les referrers (savoir d'où vient le visiteur), l'appareil (mobile ou desktop, iOS ou Android), le navigateur. Tout cela aide à personnaliser les publicités affichées et les recommandations de produits en temps réel. Les informations comportementales commencent à “fonctionner” après seulement 2–3 clics lors de la toute première visite de l'utilisateur, aidant à révéler son véritable intérêt.
Beaucoup de gens se sentent désespérés lorsqu'il s'agit de choisir des cadeaux pour des personnes qu'ils connaissent à peine, et nous constatons que la même chose est vraie pour un système de recommandation qui ne connaît pratiquement rien des intérêts et des demandes du nouvel utilisateur. Cependant, vu l'évolution de la technologie, il sera bientôt bien plus facile de faire des choix pour les machines, plutôt que pour les personnes.
Laissez DataSqueeze Travailler sur Système de recommandation pour votre entreprise|
Planifier an intro consultation with our Machine Learning engineers to explore your business and find out how we can help.
DataSqueeze aide les startups technologiques et les entreprises à explorer de nouvelles façons d'exploiter la data, à réaliser des projets très complexes et innovants, et à créer des produits IA révolutionnaires en utilisant le machine learning, l'IA et les technologies Big Data. Nos services principaux incluent Consultation en Data Science, Ingénierie Big Data, Consultation en Data Science.
